【摘要】人工智能的表征方式應(yīng)該是適應(yīng)性的，這是通過生物特別是人類適應(yīng)環(huán)境到人造的機(jī)器適應(yīng)環(huán)境的一個類比邏輯地推出的。如果我們承認(rèn)生物是進(jìn)化適應(yīng)性的，那么就應(yīng)當(dāng)承認(rèn)其認(rèn)知表征能力也是適應(yīng)性的，進(jìn)而作為人造物的人工智能包括機(jī)器人，其認(rèn)知表征也自然是適應(yīng)性的，即適應(yīng)性的主體會創(chuàng)造或產(chǎn)生適應(yīng)性的結(jié)果。這一適應(yīng)性轉(zhuǎn)換的過程是通過人為設(shè)置語境實(shí)現(xiàn)的，語境的設(shè)置是通過建構(gòu)語料庫進(jìn)行的，人工智能的適應(yīng)性表征正是基于人為設(shè)置的語境進(jìn)行的。因此，適應(yīng)性表征就成為智能機(jī)器人能否像人那樣行動的一個重要判據(jù)。
【關(guān)鍵詞】人工智能 語境設(shè)置 適應(yīng)性表征
【中圖分類號】TP18 【文獻(xiàn)標(biāo)識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2019.21.004
人工智能發(fā)展到今天，對現(xiàn)代社會產(chǎn)生了異乎尋常的影響，滲透到幾乎所有領(lǐng)域，諸如工業(yè)、農(nóng)業(yè)、服務(wù)業(yè)、科研、醫(yī)療、教育等，就連日常生活也不例外，如智能手機(jī)、掃地機(jī)器人的廣泛使用。然而，人工智能特別是它的應(yīng)用領(lǐng)域機(jī)器人學(xué)的發(fā)展卻遇到了極大挑戰(zhàn)，即智能機(jī)器人如何能夠像人那樣思維和行動。
這個棘手的問題實(shí)際上有兩個層次：一個是認(rèn)知層次，另一個是運(yùn)動層次。關(guān)于第一個層次的認(rèn)知問題，認(rèn)知科學(xué)、計(jì)算機(jī)科學(xué)包括人工智能及其哲學(xué)討論得非常多了，具體說就是計(jì)算機(jī)能否像人那樣思維或認(rèn)知，或者說計(jì)算機(jī)是否有思維能力。在計(jì)算主義的語境中，由于思維被定義為計(jì)算，所以計(jì)算機(jī)不僅能像人那樣思維，而且事實(shí)上已經(jīng)超過了人類，如大型計(jì)算機(jī)的運(yùn)算速度遠(yuǎn)遠(yuǎn)超過人類；而在“具身認(rèn)知科學(xué)”的語境中，思維被認(rèn)為僅僅是與我們生物的身體以及基于身體的情感、自由意志相關(guān)的，計(jì)算機(jī)包括智能機(jī)由于沒有身體，缺乏情感和心靈，因而被認(rèn)為不可能像人那樣思維。這種爭論仍然在繼續(xù)著。這里的重點(diǎn)不是要討論認(rèn)知層次的問題，而是著重探討運(yùn)動層次的問題，即智能機(jī)器人如何能夠像人那樣靈活地行動，也就是如何進(jìn)行適應(yīng)性表征的問題。
適應(yīng)性通過設(shè)置語境嵌入人工智能
進(jìn)化生物學(xué)已經(jīng)表明，所有生物包括我們?nèi)祟惗际亲匀贿M(jìn)化的產(chǎn)物，進(jìn)化意味著生物在適應(yīng)變化的環(huán)境。凡是不適應(yīng)環(huán)境變化的生物，都會遭到淘汰。人類之所以能夠生存至今且越來越發(fā)達(dá)，與其擁有超強(qiáng)的適應(yīng)性能力密不可分。適應(yīng)性能力不僅表現(xiàn)在生理層次上的適應(yīng)，更表現(xiàn)在認(rèn)知層次的適應(yīng)，這反映在我們不斷探索未知世界，也就是不斷嘗試認(rèn)知地適應(yīng)自然世界的方方面面。這意味著，我們的心智和智能是適應(yīng)性的，我稱之為“適應(yīng)性心智”或“適應(yīng)性智能”。正是有了這種適應(yīng)能力，我們才能持久生存下去，才能不斷創(chuàng)造出新東西，如計(jì)算機(jī)、各種機(jī)器人。這表明人類的所有創(chuàng)造物，包括知識形態(tài)和實(shí)體形態(tài)，都是適應(yīng)性表征的結(jié)果。由此推知，適應(yīng)性能力特別是認(rèn)知和表征能力是人之為人的標(biāo)志。
之所以這樣說，是因?yàn)閯游镫m然也有適應(yīng)環(huán)境的能力，也可能有一些認(rèn)知能力（靈長類動物有一定智力，比如會使用簡單工具），但沒有使用語言特別是抽象符號進(jìn)行表征的能力。這是顯而易見的事實(shí)。人不僅具備這種抽象符號表征能力，而且制造出了人工智能這種符號表征的物理系統(tǒng)，它是人類智力高度發(fā)達(dá)的體現(xiàn)。數(shù)學(xué)和邏輯學(xué)之所以高度抽象、推理嚴(yán)密，就是運(yùn)用了符號思維和符號表征能力。自然科學(xué)特別是現(xiàn)代物理學(xué)如量子力學(xué)也是運(yùn)用符號表征（數(shù)學(xué)的、邏輯的）的科學(xué)。人工智能的表征系統(tǒng)基本上使用的就是數(shù)學(xué)和邏輯的表征方法，比如計(jì)算機(jī)編程就是用符號語言編寫的，而不是使用純自然語言（日常語言）。計(jì)算機(jī)能夠處理符號語言（操作符號），而難以處理自然語言（不能用于編程，也難以給出其意義），這就是計(jì)算機(jī)和人工智能中的自然語言處理難題。
為什么計(jì)算機(jī)難以處理自然語言呢？在我看來，原因并不復(fù)雜，因?yàn)橛?jì)算機(jī)缺乏人類靈活的適應(yīng)能力和自主融入語境的能力，也就是適應(yīng)性表征能力。這意味著適應(yīng)性表征是計(jì)算機(jī)科學(xué)包括人工智能和機(jī)器人學(xué)發(fā)展的關(guān)鍵。如果讓計(jì)算機(jī)系統(tǒng)和人工智能裝置擁有了這種能力，那它們就應(yīng)該能夠處理自然語言了，比如智能機(jī)器人寫文章、作詩、譜曲，與人類對話。目前雖然這方面已有所進(jìn)展，如智能機(jī)器人給歌手評分，但它仍然不能理解它所處理的自然語言的含義，如不理解歌手所唱歌詞的意義，它所作的只是機(jī)械地測量和評估，如聲調(diào)高低、音域大小等。也就是說，智能機(jī)器人只“知其然”，而不知“其所以然”。這就是機(jī)器人與人類在適應(yīng)性表征方面的差距。
然而，問題來了。計(jì)算機(jī)和人工智能如何才能擁有適應(yīng)性表征能力呢？這是個非常重要的問題，也是個極其棘手的問題。目前，人工智能在技術(shù)實(shí)踐上還沒有太大突破，理論或哲學(xué)上僅限于假設(shè)和思辨。我曾經(jīng)在哲學(xué)層次提出過計(jì)算機(jī)像人那樣思維的“自語境化”假設(shè)，[1]即智能機(jī)要像人那樣思維，就應(yīng)該像人那樣能夠自動融入新的語境中，也就是從一個它所處的語境（情境）進(jìn)入一個新的語境中仍能夠應(yīng)對自如，就像我們與不同的人打交道那樣。當(dāng)然，這只是一種理想化的設(shè)想，因?yàn)槲覀冎乐悄軝C(jī)是沒有語感的，不像我們?nèi)祟悘男∈苓^教育，有在不同環(huán)境中成長的經(jīng)歷等。這種潛移默化的背景因素是機(jī)器人無法習(xí)得的。但是，我們別忘了一個基本的前提：智能機(jī)器人是人設(shè)計(jì)的。人類設(shè)計(jì)者可以給智能機(jī)設(shè)置語境，比如建立知識庫和語料庫，智能體（agent）可以使用各種搜索方法從庫里尋找所需的數(shù)據(jù)，從而完成特定的認(rèn)知任務(wù)，如下棋、爬山。
從適應(yīng)性表征角度看，自語境化過程實(shí)質(zhì)上就是適應(yīng)性過程，也就是適應(yīng)新語境或環(huán)境的過程。如果說自語境化假設(shè)還停留在哲學(xué)層次，那么適應(yīng)性表征則處于科學(xué)和技術(shù)層次，或者說，前者是理論的，后者是實(shí)踐的?？茖W(xué)表征如各種科學(xué)理論，就是實(shí)實(shí)在在的適應(yīng)性表征（通過假設(shè)、試錯、檢驗(yàn)、修正），人工智能的各種表征（數(shù)學(xué)的、邏輯的、概率的），也是適應(yīng)性的（完成認(rèn)知任務(wù)的嘗試過程），只是適應(yīng)的程度比人的適應(yīng)性要弱許多。比如科學(xué)理論的修正，可能需要較長的時間，而人適應(yīng)環(huán)境的時間則相對較短。事實(shí)上，我們遇到的新語境也不是我們刻意設(shè)計(jì)的，而是隨機(jī)遇到的，比如偶遇幾個只會講英語的外國人就形成一個講英語的語境，與之交流時最好使用英語，假如不懂英語，也可通過肢體語言如眼神、手勢溝通。在這種情形下，智能機(jī)器人可通過語言切換進(jìn)行交流，比不懂英語的人還有優(yōu)勢，因?yàn)樗恼Z料庫中可被嵌入多種語言。
這個例子告訴我們，在機(jī)器人學(xué)中，我們可以“頂層設(shè)計(jì)”，根據(jù)目標(biāo)任務(wù)想到機(jī)器人可能遇到的所有可能境遇。比如掃地機(jī)器人，是在平滑的地面清掃，而不是崎嶇不平的環(huán)境。這就是人為設(shè)置的“有限語境”。由于設(shè)計(jì)者可以給智能機(jī)設(shè)置語境，所以智能機(jī)適應(yīng)性地表征就不僅是可能的，而且已經(jīng)基本實(shí)現(xiàn)，比如現(xiàn)在的各種實(shí)用機(jī)器人，只是這種適應(yīng)性是受限于被設(shè)置的語境的?？傊?，智能機(jī)的適應(yīng)性是人類設(shè)計(jì)者通過設(shè)置語境讓其盡可能適應(yīng)不同境遇或環(huán)境的。正如德雷福斯對海德格爾的“技能應(yīng)對”的解讀所認(rèn)為的那樣，我們有必要設(shè)定使特定局部實(shí)踐得以可能的背景（語境），即使特殊的應(yīng)對活動在當(dāng)下世界的顯現(xiàn)成為可能的背景，而且這種背景應(yīng)對通過讓行動者（人或機(jī)器）施展使用特定器具的熟練能力，使其在特定環(huán)境中對任何通常情況下可能出現(xiàn)的事態(tài)作出恰當(dāng)?shù)幕貞?yīng)。[2]設(shè)置的語境的范圍、復(fù)雜程度不同，其適應(yīng)性能力就不同，這與要完成的目標(biāo)任務(wù)相關(guān)。事實(shí)上，人在不同環(huán)境或語境中執(zhí)行特定任務(wù)的情形也是如此。
人工智能通過建構(gòu)語料庫設(shè)置語境
雖然人工智能缺乏語感，也不擁有語境，但是人類設(shè)計(jì)者可以給它設(shè)置并嵌入語境。比如計(jì)算機(jī)的編程語言是符號的，但其在視屏上的呈現(xiàn)幾乎都是自然語言的，否則就難以普及應(yīng)用了。具體來說，智能機(jī)沒有我們擁有的語境，但人類設(shè)計(jì)者可以通過人為設(shè)置語境讓智能機(jī)有作為近似人類語境的知識庫或語料庫，然后通過文本分類、信息檢索和信息提取等方法從中獲得所需的信息。這類似于我們查詞典，詞典就是我們的語料庫。需要指出的是，這種顯在的語料庫與潛在的知識構(gòu)成的語境因素還是有區(qū)別的，由于人和機(jī)器存在質(zhì)的差異，其語境也必然有所區(qū)別，因?yàn)槿耸峭ㄟ^自然習(xí)得語言才逐漸有了語感進(jìn)而形成語境，而機(jī)器是人為其嵌入語言，只是儲存而不會產(chǎn)生語感，因而不會自發(fā)形成并擁有語境，或者說，人有發(fā)生語境，而機(jī)器沒有。這就是為什么塞爾將語境看作背景（background）的原因（人有背景，機(jī)器沒有）。[3]
就人為機(jī)器設(shè)置的語境來說，比如我們可將各種百科全書和各類詞典作為語料庫，而且這種語料庫隨著時間的推移會不斷增大。這種不斷增大的語料庫，使得信息提取越來越精確。例如機(jī)器翻譯，雖然它的翻譯總是直譯，并不準(zhǔn)確，但它提供的信息，如我們不認(rèn)識的單詞，機(jī)器會給出基本意義，省去我們查找詞典的許多時間。目前常見的翻譯軟件如金山詞霸、有道詞典、谷歌翻譯等，均有巨大的語料庫，幾乎囊括了主要語種諸如英語、法語、德語、漢語等的幾乎所有詞匯。凡是使用過這些軟件的人都知道，這比查找相關(guān)紙質(zhì)詞典方便多了。語料庫或知識庫，就是人類設(shè)計(jì)者為智能機(jī)設(shè)置的“語境”。這種人為設(shè)置的語境無論多大，也是有限的、可描述和可表征的。與人類的語境作為意向性的一個關(guān)鍵且無法消除的方面相比，還是有區(qū)別的。因?yàn)槿说恼Z境“類似于某種終極語境……，甚至是更廣泛的情境，我們稱之為人類的生活世界”。[4]顯然，人工智能壓根就沒有這個“生活世界”，更談不上體驗(yàn)這個“生活世界”了。
如果說語料庫是人為智能機(jī)設(shè)置的一個背景語境，那么具體到一個問題或任務(wù)，人工智能就是問題或任務(wù)導(dǎo)向的，此時就需要有具體的問題語境或當(dāng)下目標(biāo)語境。在人工智能中，智能體被認(rèn)為是最大化其性能測量的人工主體。這一過程是目標(biāo)取向的并盡可能達(dá)到目標(biāo)，這與生物體是相似的。在適應(yīng)環(huán)境的意義上，意識主體達(dá)到目標(biāo)的表征一定是適應(yīng)性的。我們設(shè)想一個主體（人或智能體）在北京旅游，它享受美麗的景觀，如天安門廣場。主體的性能測量可能包括許多因素，諸如交通便利、陽光充足、景色迷人、夜生活，以及避免宿醉等。去哪些景點(diǎn)，這個決策問題也是復(fù)雜的，因?yàn)樗婕爸T多權(quán)衡，要閱讀旅游指南等。進(jìn)一步假設(shè)這個主體購買了第二天去上海的機(jī)票，而且該機(jī)票是不能退的，在這種情形下，主體只能確定去上海的目標(biāo)（沒有選擇余地），不能及時達(dá)到上海的行動計(jì)劃會被拒絕，這樣，主體的決策問題就被大大地簡化了。這表明是目標(biāo)約束了主體的行動，所以基于當(dāng)下境遇和主體的性能測量的目標(biāo)規(guī)劃，就是問題-解決語境下的關(guān)鍵第一步。
在真實(shí)世界中，一個目標(biāo)就是一組世界狀態(tài)，準(zhǔn)確說就是目標(biāo)被滿足的那些狀態(tài)。主體的任務(wù)就是發(fā)現(xiàn)現(xiàn)在和將來如何行動，以便實(shí)現(xiàn)目標(biāo)。在采取行動前，我們需要確定哪類行動和狀態(tài)要考慮，因?yàn)樵诩?xì)節(jié)上存在許多不確定因素，具體行動步驟也會有許多。比如去上海前我們需要考慮以什么方式、哪一天的什么時刻等，甚至還要考慮天氣因素。這就是說，在給定目標(biāo)的情形下，我們需要考慮基于目標(biāo)的相關(guān)行動和狀態(tài)，這是問題規(guī)劃的過程。對一個已知的或可觀察的環(huán)境，主體可以采取一系列確定的行動來達(dá)到目標(biāo)。如果環(huán)境是不可觀察的或不確定的，也就是未知的，主體達(dá)到目的的行動序列就會復(fù)雜得多，這就是關(guān)于不確定性的探索問題。這兩種情形都涉及問題—解決的語境設(shè)置問題。
在人工智能中，一個明確定義的問題語境一般包括五個方面。
（1）初始狀態(tài)（主體開始行動的起點(diǎn)），比如我們在北京可表達(dá)為In（Beijing）。[5]
（2）關(guān)于主體可用的可能行動的一個描述，已知一個狀態(tài)s，一個在該狀態(tài)中可執(zhí)行的行動就是Action（s），比如狀態(tài)In（Beijing），可采取的行動{Go（Yiheyuan），Go（Changcheng），Go（Tiantan）}（去（頤和園），去（長城），去（天壇））。
（3）關(guān)于每個行動做什么的一個描述，也就是轉(zhuǎn)換模型，由結(jié)果函數(shù)Result（s, a）詳細(xì)說明，比如Result（In（Beijing）,Go（Yiheyuan））=In（Yiheyuan）。這樣一來，初始狀態(tài)、行動和轉(zhuǎn)換模型一起隱含地定義了問題的狀態(tài)空間，也就是通過任何行動序列從初始狀態(tài)達(dá)到所有狀態(tài)的組合語境。這個狀態(tài)空間形成一個定向網(wǎng)，其中的節(jié)點(diǎn)表示狀態(tài)，狀態(tài)之間的連接表示行動。
（4）目標(biāo)測試，它決定一個給定的狀態(tài)是否是一個目標(biāo)。比如在下中國象棋的情形中，目標(biāo)是達(dá)到一個“將死”的狀態(tài)，在那個狀態(tài)對手的“帥”不能再移動了。
（5）一個路徑代價函數(shù)，它評估每個路徑的數(shù)值。問題-解決的主體選擇一個代價函數(shù)來反映它自己的性能測量。比如趕飛機(jī)去上海的人，時間是其實(shí)質(zhì)，路徑數(shù)值是公里長度，如太原到上海的距離是1200公里。我們一般能夠根據(jù)地圖上的比例計(jì)算出兩個城市之間的直線距離。一般來說，一個問題的求解就是從初始狀態(tài)到目標(biāo)狀態(tài)的一個行動序列。求解質(zhì)量由路徑代價函數(shù)來測量，而最優(yōu)解是所有解中的最低值。
可以看出，這五個成分構(gòu)成一個問題或任務(wù)語境，其表征嚴(yán)格說是一種抽象的數(shù)學(xué)描述，還不是真實(shí)發(fā)生的事情，比如我們從北京到上海的實(shí)際旅行，如果是乘高鐵，還可以觀看一路的風(fēng)景。抽象模型抽去了表征的一些細(xì)節(jié)，留下最顯著的特性。這個抽象過程也是規(guī)劃問題的過程。除抽象化狀態(tài)描述外，我們還必須抽象化行動本身。比如開車的行動包括許多結(jié)果，除了改變車的地點(diǎn)，還有時間花費(fèi)、汽油消耗、尾氣排放、環(huán)境污染等。我們的規(guī)劃只考慮了地點(diǎn)的改變，忽略了許多其他行動，比如打開收音機(jī)、向窗外看、減速等，因?yàn)檫@些行動對于我們從一個地方到達(dá)另一個地方（完成目標(biāo)）沒有多少幫助。這就是說，執(zhí)行從一地到另一地的行動是主體要完成的任務(wù)，其他行動與完成這個目標(biāo)幾乎沒有關(guān)系，所以可以不予考慮。這就是語境的聚焦或過濾作用。語境的存在，使得某些與認(rèn)知目標(biāo)關(guān)系不大的因素被排除掉，從而起到簡化、集中的作用。在這種問題語境下，智能體才能解決具體問題。
上述例子是人工智能中的“路徑發(fā)現(xiàn)問題”?，F(xiàn)代小車上的導(dǎo)航系統(tǒng)就是解決路徑發(fā)現(xiàn)問題的系統(tǒng)，它是一個適應(yīng)性系統(tǒng)，即必須隨著路徑和路況的不同及時做出調(diào)整。上述從北京到上海的航空旅行就是一個具體的路徑發(fā)現(xiàn)例子。根據(jù)上述的五個方面或步驟，這個例子的一個旅行計(jì)劃網(wǎng)（語境）的構(gòu)成包括以下六部分。
（1）歷史狀態(tài)：每個狀態(tài)包括一個地點(diǎn)，如首都國際機(jī)場，當(dāng)前時間，如具體起飛時間，以及歷史因素，如機(jī)場狀況、機(jī)場設(shè)施，甚至還可能包括國內(nèi)還是國際航班等信息。
（2）初始狀態(tài)：這要根據(jù)使用者的問題來說明，如晚上8點(diǎn)北京到上海的航班的情況。
（3）行動：乘坐當(dāng)前機(jī)場的飛機(jī)、選擇任何等級的座位、留下足夠轉(zhuǎn)機(jī)的時間等。
（4）轉(zhuǎn)換模型：產(chǎn)生乘機(jī)的狀態(tài)將擁有航班的目的地作為當(dāng)下地點(diǎn)，航班到達(dá)時間作為當(dāng)下時間。
（5）目標(biāo)測試：使用者是否詳細(xì)說明了最終的目的地。
（6）路徑代價：這依賴于貨幣值、等待時間、航行時間、座位等級、飛機(jī)類型，以及乘機(jī)頻次獎勵等因素。經(jīng)常乘飛機(jī)的人都知道，并不是所有航行都能夠按照計(jì)劃進(jìn)行，改變原計(jì)劃的情形時不時會發(fā)生，或者是天氣的原因，或者是飛機(jī)的故障，或者是出行者自己的原因，等等。
因此，一個真正好的系統(tǒng)應(yīng)該包括臨時計(jì)劃，比如備份預(yù)定下一趟航班，以防原計(jì)劃失效。出于這些原因，人類設(shè)計(jì)者在設(shè)置語境時要盡可能考慮到各種可能性。
人工智能基于設(shè)置的語境適應(yīng)性地表征
這里我以人工智能的應(yīng)用領(lǐng)域——機(jī)器人學(xué)的適應(yīng)性表征為例來說明。在機(jī)器人學(xué)中，通過感知系統(tǒng)是機(jī)器人能夠適應(yīng)性表征的主要方法。感知是機(jī)器人將感應(yīng)器的測量映射到其環(huán)境的內(nèi)在表征過程。由于感應(yīng)器本身存在噪音，加之環(huán)境具有部分可觀察性、不可預(yù)測性和動態(tài)性，這種人工感知很困難，因?yàn)樗鼤龅讲淮_定環(huán)境中狀態(tài)評估的所有問題。這就需要人類設(shè)計(jì)者為其設(shè)置特定語境。
一般來說，機(jī)器人的可靠內(nèi)在表征有三個屬性：一是包含足夠的信息讓機(jī)器人做決定；二是被結(jié)構(gòu)化，以便能夠被有效更新；三是內(nèi)在變量對應(yīng)于物理世界中的自然狀態(tài)變量[6]。在我看來，這三個屬性就是人為給予的三個語境因素。我們可以使用動態(tài)貝葉斯網(wǎng)絡(luò)表征部分可觀察環(huán)境的轉(zhuǎn)換和感應(yīng)器模型。從表征視角看，我們將機(jī)器人自己的過去行動作為已觀察變量，具體說，機(jī)器人感知能夠被視為根據(jù)行動和環(huán)境序列的動態(tài)貝葉斯網(wǎng)絡(luò)的時序推理。我們假設(shè)Xt是在時間t包括機(jī)器人在內(nèi)的環(huán)境的狀態(tài)，如足球場，At是在時間t接收到的觀察信息，At是觀察信息被接收后采取的行動。我們可以根據(jù)動態(tài)貝葉斯網(wǎng)絡(luò)模型從當(dāng)下信念狀態(tài)的概率P(Xt)計(jì)算新信念狀態(tài)的概率P(X(t+1))和新觀察信息Z(t+1)。比如我們要建構(gòu)一個踢足球的機(jī)器人，X(t+1)可能是與足球相關(guān)的機(jī)器人的位置，后驗(yàn)概率是捕捉我們從過去的感應(yīng)器測量和控制所知道的所有狀態(tài)的一個概率分布。
對于機(jī)器人來說，如何發(fā)現(xiàn)包括它自己在內(nèi)的物體的位置是一個重要問題。這就是定位和映射問題，涉及物體在何處的先驗(yàn)知識，這種先驗(yàn)知識是任何與環(huán)境相互作用成功的人工主體包括邏輯主體、搜索主體、機(jī)器人操縱器的核心，它們必須“知道”它們要尋找的物體的位置。比如無人駕駛飛機(jī)必須知道去哪里發(fā)現(xiàn)目標(biāo)。這就是說，機(jī)器人這種人工主體的行動是基于先驗(yàn)知識的。這種先驗(yàn)知識就屬于語境范疇，人類設(shè)計(jì)者要預(yù)先考慮到并將其嵌入智能體的程序或算法中。
問題是，基于先驗(yàn)知識的機(jī)器人的內(nèi)在表征是否是適應(yīng)性的呢？我們以移動機(jī)器人在二維平面移動為例來說明這個問題。給定機(jī)器人一幅精確的環(huán)境地圖（先驗(yàn)知識），機(jī)器人的姿態(tài)可由它的兩個具有x和y值的笛卡爾坐標(biāo)定義，它的頭部轉(zhuǎn)動方向可由三角函數(shù)θ值定義。這種計(jì)算在數(shù)學(xué)上不難做到，一般的人工智能和機(jī)器人學(xué)書籍或教材都有介紹，這里不做詳細(xì)討論。由于機(jī)器人的內(nèi)在表征是基于知識和計(jì)算的，所接收的信息是通過感應(yīng)器獲得的，感知系統(tǒng)的表征就應(yīng)該是適應(yīng)性的。由此我們可推知，基于感知系統(tǒng)的移動機(jī)器人的內(nèi)在表征是依據(jù)其語境進(jìn)行的，因而其表征就是適應(yīng)其環(huán)境的，否則它就不能完成任務(wù)。
這里我們特別要關(guān)注的一個哲學(xué)問題是，如果沒有先驗(yàn)知識這種語境知識可用，比如沒有機(jī)器人所需要的地圖，在這種情形下，機(jī)器人如何行動呢？顯然，這里存在一個“雞和蛋的問題”——機(jī)器人對于它不知道的一幅地圖，卻必須確定它的位置，同時建構(gòu)這幅地圖而又不知道它確切的位置。這個問題對于機(jī)器人的應(yīng)用非常重要，因?yàn)闄C(jī)器人在被使用前并不知道它將要處于的環(huán)境。比如掃地機(jī)器人，在理想的平坦環(huán)境中執(zhí)行任務(wù)比較順利，但是在凹凸不平的地面就不那么順手了，可能被卡住了。這就是同時定位與映射問題，它已經(jīng)得到廣泛而深入的研究，比如使用概率方法，只需要增加狀態(tài)矢量來包括環(huán)境中地標(biāo)的位置。不過，這種方法仍然需要機(jī)器人感知。感知的實(shí)質(zhì)就是機(jī)器人如何學(xué)習(xí)的問題，即機(jī)器學(xué)習(xí)。顯然，機(jī)器學(xué)習(xí)在機(jī)器人感知中起重要作用，特別是當(dāng)最優(yōu)內(nèi)在表征是未知的時候。一個簡單的方法就是使用無監(jiān)督機(jī)器學(xué)習(xí)方法將高維感應(yīng)器流動映射到低維空間中。這種方法被稱為低維嵌入方法。機(jī)器學(xué)習(xí)使機(jī)器人從數(shù)據(jù)學(xué)習(xí)感應(yīng)器和運(yùn)動模型成為可能，而同時發(fā)現(xiàn)一個適當(dāng)?shù)膬?nèi)在表征。
還有一種機(jī)器學(xué)習(xí)方法能夠使機(jī)器人在感應(yīng)器測量中不斷地適應(yīng)廣泛的變化，那就是適應(yīng)性感知方法，如適應(yīng)性視覺。假如我們從一個陽光照射的空間進(jìn)入一個黑暗無陽光的房間，顯然房間的物體更黑，但光源的變化也會影響所有色彩，比如霓虹燈具有比陽光更強(qiáng)的綠光成分。然而，我們可能并沒有注意到這種變化。我們的感知系統(tǒng)很快適應(yīng)了新光環(huán)境，我們的大腦忽視了這種差異。人工感知系統(tǒng)也是如此。比如掃地機(jī)器人能根據(jù)其“可驅(qū)動表面”概念的分類器適應(yīng)新地面。這種無人操縱地面裝置使用激光器為機(jī)器人正前方的小區(qū)域提供分類，當(dāng)整個小區(qū)域在激光掃描范圍被發(fā)現(xiàn)是平坦的時候，它就被作為“可驅(qū)動表面”概念的一個積極訓(xùn)練例子使用。這表明，適應(yīng)性感知方法能夠讓機(jī)器人適應(yīng)變化的環(huán)境。
當(dāng)然，不是所有機(jī)器人感知是關(guān)于定位和映射的。機(jī)器人也感知溫度、氣味、聲信號等。這些屬性都可以使用動態(tài)貝葉斯網(wǎng)絡(luò)來評估，這些評估就是刻畫狀態(tài)變量時刻在演化的條件概率分布，以及描述狀態(tài)變量測量關(guān)系的感應(yīng)器模型。可以看出，機(jī)器人學(xué)的一個顯著趨向是選擇定義明確的語義學(xué)的表征。這一趨向有力地說明，缺乏表征的機(jī)器人學(xué)是難以發(fā)展的。而表征是需要語境的，因而缺乏語境的機(jī)器人學(xué)幾乎不可能發(fā)展到靈活行動的水平。理論上，我們可以通過人為設(shè)置的語境讓機(jī)器人不斷去適應(yīng)新的環(huán)境，從而達(dá)到我們意圖的目標(biāo)。因此如何根據(jù)特定任務(wù)目標(biāo)給機(jī)器人設(shè)置語境，是機(jī)器人學(xué)發(fā)展中的一個重要問題。
進(jìn)一步的討論
智能體作為人工主體（相對于主體人），其行動是依據(jù)規(guī)則進(jìn)行的。在確定的、可觀察的、靜態(tài)的或完全知曉的環(huán)境中，智能體所選擇的行動的方法有多種，依據(jù)這些方法它們能夠發(fā)現(xiàn)其目標(biāo)。這種僅僅按照某些理性規(guī)則尋找目標(biāo)的過程就是“搜索”。盡管這種搜索是無意識的過程，但它們卻是適應(yīng)性的，只是這種適應(yīng)性不是基于生物基質(zhì)的，而是基于理性規(guī)則的。所以說，人工智能是完全理性的事業(yè)，完全按照規(guī)則如邏輯規(guī)則、概率規(guī)則行事。這就排除了情感、意志等非理性因素。在這種意義上，因機(jī)器人沒有情感沒有意識而否認(rèn)其能認(rèn)知、有智能的觀點(diǎn)就有失偏頗了。畢竟，心靈、意識、意圖、意志這些傳統(tǒng)哲學(xué)或大眾心理學(xué)的概念是難以按照規(guī)則操作的。人工智能將這些非理性概念排除在其研究領(lǐng)域之外，不僅是可理解的，事實(shí)上也是一種研究策略。
如果將人的適應(yīng)性搜索看作是“完全適應(yīng)性”，那么人工主體的適應(yīng)性就是介于完全與不完全之間的一種中間狀態(tài)，我將這種中間適應(yīng)性稱為“擬適應(yīng)性”或“準(zhǔn)適應(yīng)性”，以便區(qū)別于人的這種適應(yīng)性。畢竟人的適應(yīng)性是基于生物學(xué)的，而人工主體（智能體）的適應(yīng)性是基于物理學(xué)和計(jì)算機(jī)科學(xué)的，前者是碳基構(gòu)造的（碳水化合物），后者是硅基構(gòu)造的（物理硬件加軟件）。在認(rèn)知科學(xué)中，這個問題就是“硬件要緊不要緊”的問題，即意識特征是否與構(gòu)成物質(zhì)相關(guān)。比如塞爾就堅(jiān)持認(rèn)為意識是一種生物學(xué)現(xiàn)象，智能機(jī)不可能有意識，不可能有思維能力，它只不過是處理符號的物理裝置，根本不理解所操作符號的意義。[7]根據(jù)塞爾的看法，生物的適應(yīng)性是基于有意識物體的，如我們?nèi)祟?，人工主體由于沒有意識，當(dāng)然不可能是適應(yīng)性的。這個結(jié)論與智能體也能適應(yīng)性地搜索和表征的事實(shí)不符。[8]
在我看來，意識和智能是兩個層次的東西或概念。有意識一定會有某種程度的智能，而有智能則不一定需要意識，如機(jī)器人。這里存在一個生物學(xué)和人工智能包括機(jī)器人學(xué)之間的一個解釋鴻溝。類似于查爾莫斯關(guān)于意識的難問題方面的解釋鴻溝。[9]在適應(yīng)性的意義上，只要一個主體，人或機(jī)器，能夠在變化的環(huán)境中不斷調(diào)整自己的行為，最終找到要發(fā)現(xiàn)的目標(biāo)，或者解決了所要解決的問題，我們就應(yīng)該認(rèn)為它們是適應(yīng)性的，在表達(dá)上也是適應(yīng)性的表征。這種判斷類似于“圖靈測試”，即只要我們不能區(qū)分與我們對話的是人還是機(jī)器（實(shí)際上是機(jī)器與人對話），那么我們就不得不承認(rèn)機(jī)器也會思維（即操作符號、解決問題的認(rèn)知活動）。
從認(rèn)知系統(tǒng)的結(jié)構(gòu)和活動機(jī)制看，人的認(rèn)知系統(tǒng)（神經(jīng)系統(tǒng)）與智能機(jī)的認(rèn)知系統(tǒng)（編碼-解碼系統(tǒng)）是完全不同的，前者是自然認(rèn)知系統(tǒng)，后者是人工認(rèn)知系統(tǒng)，人工智能目前只是模擬人的認(rèn)知系統(tǒng)的功能，其結(jié)構(gòu)與運(yùn)作機(jī)制可能完全不同于人類的。這是不爭的事實(shí)，也因此才有了認(rèn)知科學(xué)、腦科學(xué)與計(jì)算機(jī)科學(xué)、人工智能等不同學(xué)科的存在。但是，僅就適應(yīng)性特征來說，這兩種認(rèn)知系統(tǒng)（人的和機(jī)器的）都具有，只是程度上有差異，比如就靈活性、簡單性來說，人的適應(yīng)性要比人工主體的要好許多。正是在這個意義上，我將人工主體的適應(yīng)性稱為擬適應(yīng)性，以區(qū)別于人的生物適應(yīng)性。
提起適應(yīng)性，我們自然會聯(lián)想到意向性、相關(guān)性和因果性這些概念。適應(yīng)性涉及意向性，因?yàn)橐庀蛐允顷P(guān)于或指涉某物的特性，它最早是胡塞爾用于說明意識本質(zhì)屬性的概念，即有意識的物體就應(yīng)該有意向性，如各種有生命動物包括我們?nèi)祟悺５沁@個概念用于說明意識太寬泛，因?yàn)橐环矫?，簡單生物如阿米蟲雖然有生命但沒有意識；另一方面，即使是非生命的物體，比如溫度計(jì)、智能機(jī)，也具有意向性的特征，如指向某個目標(biāo)，好像它們是有目的有意識的。所以，在我看來，用意向性來描述意識的特性還不夠，還需要加上反身性，即知道“我們是誰”。這樣一來，意識就有了向外和向內(nèi)兩個特征，缺一個就不能準(zhǔn)確說明人類意識的本質(zhì)了。如果說意向性是某物有意識的必要條件，那么反身性就是某物有意識的充分條件。從哲學(xué)和邏輯上看，一個問題或概念的完備、準(zhǔn)確的說明，必須滿足其必要性和充分性，這就是我們常說的“充要條件”。
人的意識無疑具有這兩個特征，因而人才是真正有意識的物種。而其他動物特別是靈長類的猿、大猩猩等，如果它們不知道自己是誰的話（也許朦朧地知道），它們就不具有完整的意識，至多具有低級的意識（基于生命）。人工主體（智能機(jī)）僅僅具有指向外部目標(biāo)的屬性，如搜索目標(biāo)，但是不知道它們是誰。也就是說，它們僅僅知道如何做，但是不知道它們知道如何做。這與“我會開車”和“我知道我會開車”之間的區(qū)別是一個道理。“我會開車”是如何做的問題，“我知道我會開車”是我意識到我會的問題。這是兩個不同層次的問題，前者是意向性問題，后者是意向性加上反身性的問題。也就是說，人有命題態(tài)度，如我們知道、我們相信，其他動物和智能機(jī)沒有。進(jìn)一步說，人工主體是通過相關(guān)性認(rèn)知的，而人不僅通過相關(guān)性，更能通過因果性認(rèn)知。相關(guān)性認(rèn)知是一種關(guān)聯(lián)性認(rèn)知，是一種影響和被影響的關(guān)系，因果性認(rèn)知是一種產(chǎn)生性認(rèn)知，是一種引起和被引起的關(guān)系。相比而言，影響關(guān)系較之產(chǎn)生關(guān)系要弱許多。
在人工主體開始搜索所需的結(jié)果前，它必須先識別目標(biāo)，并形成一個定義明確的問題，因?yàn)橛袉栴}才能有解決的目標(biāo)和結(jié)果。問題由初始狀態(tài)、一組行動、一個描述行動結(jié)果的轉(zhuǎn)換模型、一個目標(biāo)測試函數(shù)和一個路徑代價函數(shù)構(gòu)成。問題的語境由一個人為設(shè)置的空間狀態(tài)來表征。從初始狀態(tài)到目標(biāo)狀態(tài)穿過狀態(tài)空間的路徑就是要搜索的解決方案。搜索過程采取的策略是，搜索算法將狀態(tài)和行動當(dāng)作原子狀態(tài)（不可再分）。在人工智能中，一般的樹搜索算法考慮所有可能路徑去發(fā)現(xiàn)目標(biāo)，而圖表算法避免考慮多余路徑。我們根據(jù)完備性、最佳性、時間和空間復(fù)雜性就可以判斷它們的優(yōu)劣。這些搜索方法對于不確定的、動態(tài)的和完全不知曉的情形還無能為力，這是另一個更加復(fù)雜的搜索問題，但可以通過設(shè)置新的語境來解決。由此看來，設(shè)置新的語境對于機(jī)器人的適應(yīng)性表征是多么的重要。
（本文系國家社會科學(xué)基金重點(diǎn)項(xiàng)目“科學(xué)認(rèn)知的適應(yīng)性表征研究”階段性成果，項(xiàng)目編號：16AZX006）
注釋
[1]魏屹東：《自語境化：智能機(jī)似人思維的關(guān)鍵》，《中國社會科學(xué)報(bào)》，2013年6月10日。
[2]Wrathall, M.A., "Background practice, capacities, and Heideggeriandislclosure", In Wrathall, M.A., Jeff Malpas(eds.), Heidegger, Coping, and Cognitive Science, Cambridge, MA: MIT Press, 2000, p. 98.
[3]Searle, John R., The Rediscovery of the Mind, Cambridge: MIT Press, 1992, p. 175.
[4]Dreyfus, Hubert L., What Computers Can't Do: A Critique of Artificial Intelligence, New York: Harper & Row, 1979, p. 221.
[5]這里使用的是英語表達(dá)，而不是中文如在（北京），原因在于英語是符號文字，中文是象形文字。在目前的編程語言如算法中主要使用的是英語和數(shù)字的組合，還沒有使用中文編程的，這可能是因?yàn)橄笮挝淖诌€不是抽象符號表征方式。計(jì)算機(jī)的編程語言是純粹的符號表達(dá)，只有解釋說明時才使用自然語言。
[6]［美］羅素、諾維格：《人工智能：一種現(xiàn)代的方法（第3版）》，殷建平、祝恩等譯，北京：清華大學(xué)出版社，2013年，第978頁。
[7]Searle, John.Minds, "Brains and Programs", Behavioral and Brain Sciences, 1980, 3(3), pp. 417-457.
[8]魏屹東：《人工智能的適應(yīng)性表征》，《上海師范大學(xué)學(xué)報(bào)》，2018年第1期，第28～39頁。
[9]https://en.wikipedia.org/wiki/Explanatory_gap.
Adaptive Representation Is the Key to the Development of Artificial Intelligence
Wei Yidong
Abstract: The representation of artificial intelligence (AI) should be adaptive, which is logically derived from an analogy between the adaptation of living things, especially human beings, to the environment, and the adaptation of artificial machine to the environment. If we admit that organisms are evolutionarily adaptive, then we should admit that their cognitive representation ability is also adaptive. Furthermore, as for the man-made AI, including robots, their cognitive representation is also naturally adaptive, that is, the adaptive subject will create or produce adaptive results. This process of adaptive transformation is realized by setting the context, and the context is set by constructing a corpus; the adaptive representation of AI is based on the artificially set context. Therefore, adaptive representation becomes an important criterion for intelligent robots to act like humans.
Keywords: artificial intelligence, context setting, adaptive representation
魏屹東，山西大學(xué)科學(xué)技術(shù)哲學(xué)研究中心、哲學(xué)社會學(xué)學(xué)院教授、博導(dǎo)。研究方向?yàn)榭茖W(xué)技術(shù)哲學(xué)、科學(xué)技術(shù)史、西方哲學(xué)。主要著作有《愛西斯與科學(xué)史》《對人類的摯愛——巴斯德的啟迪》《當(dāng)代科技革命與馬克思主義》《廣義語境中的科學(xué)》等。
責(zé) 編／馬冰瑩
